文字数カウント

「1文字」とは何か

「これは何文字ですか」という問いには、正解が複数あります。そしてその違いは些細ではありません。コンピュータが数えられる階層は3つあります。

• コード単位——テキストが格納されている形。JavaScript の string.length が返す値です。絵文字は複数単位になることがあります。
• コードポイント——Unicode 規格上の1項目です。こちらのほうがましですが、結合文字を伴う文字は依然として2つに数えられます。
• 書記素クラスタ——読み手が「1文字」と呼ぶ単位です。上に大きく出ている文字数はこれを数えています。

差は小さくありません。3人家族の絵文字は、書記素では1、コードポイントでは5、UTF-16 のコード単位では8です。手元のカウンターでは収まっているのにフォームが「長すぎる」と拒否する場合、原因はほぼこれです。

全角換算について

日本語のフォームでは、かな・漢字・全角記号を2文字、半角文字を1文字として数えることがよくあります。そうしたフォームの「100文字まで」は、日本語なら50文字、半角英数なら100文字、あるいはその混在を意味します。

上に表示している全角換算はこの規則を適用した値なので、どちらの流儀にも自分で計算せずに合わせられます。

区切りのない言語の単語数

単語数を数えるのは、空白で語を区切る言語では簡単で、そうでない言語では完璧には不可能です。日本語を空白で分割すると1単語しか返ってきません。本格的な形態素解析には辞書が必要で、ブラウザ内で完結させるツールが背負うには重すぎます。

そこで採った折衷案が、CJK の文字をそれぞれ1単語として数え、残りを通常どおり分割して足すというものです。「API を使う」なら4になります。形態素解析器と一致はしませんが、安定していて予測可能で、分量の見積もりには十分です。

意識すべき文字数制限

検索エンジンは文字数ではなくピクセル幅で切り詰めるため、幅の広い文字が並ぶタイトルは早く切られます。60文字は目安であって、厳密な境界ではありません。

頻出語の一覧について

「よく出てくる語」のパネルは、書いている最中には見えない癖を捕まえる手早い方法です。ひとつの語だけが突出して多い場合、その文章はたいてい同じことを繰り返しているか、言いたいことにまだ到達できずに周回しています。3文字未満の語は除外しています。そうしないと助詞や冠詞で一覧が埋まってしまうためです。